Claude Opus 4.7发布,Anthropic旗舰大模型登场
2026-05-16 17:12:43
0浏览
收藏
Anthropic正式推出全新旗舰大模型Claude Opus 4.7,以64.3%的SWE-bench Pro高分刷新编程能力新高度,视觉分辨率跃升至2576像素(约375万像素)、自我验证机制大幅降低人工干预需求,并首次支持xhigh effort档位与Task Budgets资源自主分配,配合Ultrareview深度代码审查、长程多步骤任务稳定执行及MCP-Atlas工具链高效调用,在软件工程、高精度视觉分析、金融建模和跨会话复杂工作流等场景全面领先同类模型——无论你是开发者、数据科学家还是AI原生应用构建者,现在就能通过Claude官网、API或Amazon Bedrock等主流平台即刻体验这一真正具备“自主思考+精准执行”能力的下一代智能体。
Claude Opus 4.7是什么
Claude Opus 4.7 是 Anthropic 推出的最新旗舰大模型,为 Claude Opus 4.6 的直接升级版。模型在高级软件工程任务上表现突出,SWE-bench Pro 得分提升至 64.3%,视觉分辨率支持提升至 2,576 像素(约 3.75 兆像素),具备自我验证与长程自主执行能力。模型现已全面上线 Claude 全系产品、API 及 Amazon Bedrock 等主流云平台。

Claude Opus 4.7的主要功能
- 高难度编程:在 SWE-bench Pro 测试中得分 64.3%,可自主处理复杂长时软件开发任务并自我验证结果。
- 超高分辨率视觉:支持长边 2,576 像素(约 375 万像素)的图像输入,是前代模型的 3 倍以上。
- 自主纠错机制:在汇报最终结果前主动检查逻辑错误,内部修正后再输出,减少人工介入。
- 长程任务执行:可连贯运行数小时的多步骤复杂工作流,保持稳定性和一致性。
- 多模态理解:精准解读密集截图、复杂技术图表、化学结构及像素级视觉细节。
- 智能工具调用:支持 MCP-Atlas 等扩展工具链,工具调用错误率降低约 1/3。
- 文件系统记忆:跨多会话长任务中记住关键笔记,减少重复上下文输入。
- 新增 effort 档位:新增 xhigh 档位(位于 high 与 max 之间),Claude Code 默认采用此档位。
- Task Budgets:支持为长任务设置 token 预算,由模型自主分配资源。
- Ultrareview 命令:Claude Code 新增独立审查会话,深度检查代码改动与潜在问题。
如何使用Claude Opus 4.7
- 平台访问:
- Claude 网页/App:直接在模型选择器切换至 Opus 4.7 即可使用。
- API 调用:模型 ID 为 claude-opus-4-7,通过 Anthropic API、Amazon Bedrock、Google Cloud Vertex AI 或 Microsoft Foundry 调用。
- Claude Code:已默认将 effort 档位提升至 xhigh,输入 /ultrareview 可启动深度代码审查。
- API 关键参数设置:
- effort 档位:通过 effort 参数控制响应规模,选项为 low / medium / high / xhigh / max。编程与 agentic 场景建议使用 high 或 xhigh 起步。
- task budgets(公测):设置长任务 token 预算,让模型自主分配资源,与 effort 参数配合使用更精细。
- thinking 参数:已弃用 thinking: {type: "enabled", budget_tokens: N},改为使用 thinking: {type: "adaptive"} 配合 effort 参数。
- 高分辨率视觉:直接上传长边不超过 2,576 像素的原图,无需自行压缩,模型自动处理高分辨率输入。
- Claude Code 特有指令:
- 输入 /ultrareview 启动独立审查会话,对代码改动进行深度检查(Pro 和 Max 用户每月限免 3 次)。
- Auto mode 已下放至 Max 用户,可在 --dangerously-skip-permissions 与默认模式间提供中间档安全选项。
Claude Opus 4.7的关键信息和使用要求
- 模型定位:Opus 4.6 的直接升级版,Anthropic 最新旗舰模型,现已全面上线 Claude 全系产品、API、Amazon Bedrock、Google Cloud Vertex AI 及 Microsoft Foundry。
- 核心升级:高难度软件工程任务能力显著提升(SWE-bench Pro 达 64.3%),视觉分辨率支持长边 2,576 像素(约 375 万像素,为前代 3 倍以上),具备自我验证与长程自主执行能力。
- 定价策略:维持 Opus 4.6 价格,输入 $5/百万 token,输出 $25/百万 token,模型 ID 为 claude-opus-4-7。
- 新增档位:在 high 与 max 之间新增 xhigh effort 档位,Claude Code 默认已切换至此档位。
- Tokenizer 变更:新 tokenizer 下相同文本的 token 数约为旧版的 1.0–1.35 倍,需预留更高 token 预算。
Claude Opus 4.7的核心优势
- 高难度编程突破:在 SWE-bench Pro 测试中得分 64.3%,较 4.6 提升 11 个百分点,可自主处理最复杂的软件工程任务。
- 自我验证机制:在汇报结果前主动检查逻辑错误并内部修正,显著降低人工介入频率,提升长任务可靠性。
- 视觉感知跃升:支持 2,576 像素长边(约 375 万像素)的高分辨率图像,视觉感知基准从 54.5% 跃升至 98.5%。
- 长程任务稳定性:可连贯运行数小时的多步骤复杂工作流,不会因中途难题而放弃,保持执行一致性。
- 严格指令遵循:对指令的字面执行精度大幅提升,减少模糊解读,确保按用户意图精确完成。
- 工具调用效率:工具调用错误率降低约三分之一,token 使用效率在多步 agentic 场景中显著优化。
Claude Opus 4.7的项目地址
- 项目官网:http://www.anthropic.com/news/claude-opus-4-7
Claude Opus 4.7的同类竞品对比
| 评测维度 | Claude Opus 4.7 | GPT-5.4 | Gemini 3.1 Pro |
|---|---|---|---|
| Agentic coding (SWE-bench Pro) | 64.3% | 57.7% | 54.2% |
| Agentic coding (SWE-bench Verified) | 87.6% | — | 80.6% |
| Agentic terminal coding (Terminal-Bench 2.0) | 69.4% | 75.1% | 68.5% |
| Multidisciplinary reasoning (Humanity’s Last Exam w/ tools) | 54.7% | 58.7% | 51.4% |
| Agentic search (BrowseComp) | 79.3% | 89.3% | 85.9% |
| Scaled tool use (MCP-Atlas) | 77.3% | 68.1% | 73.9% |
| Agentic computer use (OSWorld-Verified) | 78.0% | 75.0% | — |
| Agentic financial analysis (Finance Agent v1.1) | 64.4% | 61.5% | 59.7% |
| Graduate-level reasoning (GPQA Diamond) | 94.2% | 94.4% | 94.3% |
| Visual reasoning (CharXiv w/ tools) | 91.0% | — | — |
| Multilingual Q&A (MMLU) | 91.5% | — | 92.6% |
Claude Opus 4.7的应用场景
- 高难度软件开发:支持处理复杂的软件工程任务,如大规模代码重构、复杂算法实现,可自主运行数小时并在汇报前自我验证结果,GitHub 实测任务解决率提升 13%。
- 高分辨率视觉分析:模型能解读密集 UI 截图、技术图表、化学结构及像素级视觉细节,适用于计算机视觉代理、自动化渗透测试和生命科学专利工作流。
- 长程自主工作流:自动执行跨多会话的复杂多步骤任务,如深度数据分析、研究报告生成,能够在长时间运行中保持一致性和连贯性,减少人工介入。
- 金融与商业分析:模型能进行严谨的财务建模、投资分析和专业演示文稿生成,在 Finance Agent v1.1 基准测试中得分 64.4%,可产出严谨的分析模型和高质量商业交付物。
好了,本文到此结束,带大家了解了《Claude Opus 4.7发布,Anthropic旗舰大模型登场》,希望本文对你有所帮助!关注golang学习网公众号,给大家分享更多科技周边知识!
Win11查看内存频率方法详解
- 上一篇
- Win11查看内存频率方法详解
- 下一篇
- Golang循环控制语句详解
查看更多
最新文章
-
- 科技周边 · 人工智能 | 4小时前 | 人工智能 · PyTorch autograd torch.is_grad_enabled 梯度模式
- PyTorch torch.is_grad_enabled 怎样读取当前线程的梯度开关状态
- 346浏览 收藏
-
- 科技周边 · 人工智能 | 5小时前 | 人工智能 · PyTorch Tensor.storage_offset storage_offset Tensor View 张量布局
- PyTorch Tensor.storage_offset 怎样读取张量视图的存储起始偏移
- 316浏览 收藏
-
- 科技周边 · 人工智能 | 6小时前 |
- Transformers BaseModelOutput.hidden_states 怎样区分各层隐藏状态与最后一层输出
- 429浏览 收藏
-
- 科技周边 · 人工智能 | 7小时前 | python · 人工智能 · Transformers tokenizer BatchEncoding sequence_ids 双句编码 词元来源
- Transformers BatchEncoding.sequence_ids 怎样区分双句编码中的词元来源
- 283浏览 收藏
-
- 科技周边 · 人工智能 | 7小时前 | 人工智能 · Hugging Face Datasets ClassLabel str2int 标签编码
- Hugging Face ClassLabel.str2int 怎样把类别名称映射为标签编号
- 222浏览 收藏
-
- 科技周边 · 人工智能 | 9小时前 | 人工智能 · PyTorch Tensor.is_contiguous memory_format
- PyTorch Tensor.is_contiguous 怎样检查张量在指定内存格式下是否连续
- 170浏览 收藏
-
- 科技周边 · 人工智能 | 10小时前 | python · 人工智能 · Transformers ModelOutput to_tuple 模型输出
- Transformers ModelOutput.to_tuple 怎样把非空模型输出字段转换为元组
- 192浏览 收藏
-
- 科技周边 · 人工智能 | 10小时前 | 人工智能 · Transformers word_ids BatchEncoding 子词对齐
- Transformers BatchEncoding.word_ids 怎样关联子词与原始单词位置
- 462浏览 收藏
-
- 科技周边 · 人工智能 | 11小时前 |
- Hugging Face ClassLabel.int2str 怎样把标签编号还原为类别名称
- 175浏览 收藏
-
- 科技周边 · 人工智能 | 12小时前 | python · 人工智能 · Hugging Face Datasets Dataset.split NamedSplit 数据集切分
- Hugging Face Dataset.split 怎样识别数据集对象对应的切分名称
- 476浏览 收藏
-
- 科技周边 · 人工智能 | 13小时前 |
- PyTorch torch.get_default_dtype 怎样读取新建浮点张量默认使用的数据类型
- 316浏览 收藏
查看更多
课程推荐
-
- 前端进阶之JavaScript设计模式
- 设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
- 543次学习
-
- GO语言核心编程课程
- 本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
- 516次学习
-
- 简单聊聊mysql8与网络通信
- 如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
- 500次学习
-
- JavaScript正则表达式基础与实战
- 在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
- 487次学习
-
- 从零制作响应式网站—Grid布局
- 本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
- 485次学习
查看更多
AI推荐
-
- PubMedQA
- 深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
- 1100次使用
-
- H2O EvalGPT
- H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
- 1095次使用
-
- LMArena
- LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
- 1266次使用
-
- HELM
- 深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
- 1205次使用
-
- MMBench
- MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
- 1051次使用
查看更多
相关文章
-
- 量化模型本地推理的显存估算方法
- 2026-10-17 501浏览
-
- 本地大模型反复输出同一句话怎么调整生成参数
- 2026-09-06 501浏览
-
- Python 调用大模型时如何用结构化输出校验 JSON:从解析失败到可重试
- 2026-08-29 501浏览
-
- AI写作工具免费版安装教程(含豆包Clawdbot)
- 2026-05-30 501浏览
-
- WPS AI能自动生成PPT吗?输入主题一键制作演示文稿
- 2026-05-27 501浏览

